目前在研究Automated Machine Learning,其中有一個子領域是實現網路超引數自動化搜尋，而常見的搜尋方法有Grid Search、Random Search以及貝葉斯優化搜尋。前兩者很好理解，這裡不會詳細介紹。本文將主要解釋什麼是體統(沉迷延禧攻略2333)，不對應該解釋到底什麼是貝葉斯優化。

I Grid Search & Random Search

我們都知道神經網路訓練是由許多超引數決定的，例如網路深度，學習率，卷積核大小等等。所以為了找到一個最好的超引數組合，最直觀的的想法就是Grid Search，其實也就是窮舉搜尋，示意圖如下。

但是我們都知道機器學習訓練模型是一個非常耗時的過程，而且現如今隨著網路越來越複雜，超引數也越來越多，以如今計算力而言要想將每種可能的超引數組合都實驗一遍(即Grid Search)明顯不現實，所以一般就是事先限定若干種可能，但是這樣搜尋仍然不高效。

所以為了提高搜尋效率，人們提出隨機搜尋，示意圖如下。雖然隨機搜尋得到的結果互相之間差異較大，但是實驗證明隨機搜尋的確比網格搜尋效果要好。

II Bayesian Optimization

假設一組超引數組合是\(X={x_1,x_2,...,x_n}\)(\(x_n\)表示某一個超引數的值)，而這組超引數與最後我們需要優化的損失函式存在一個函式關係，我們假設是\(f(X)\)。

而目前機器學習其實是一個黑盒子(black box),即我們只知道input和output，所以上面的函式\(f\)很難確定。所以我們需要將注意力轉移到一個我們可以解決的函式上去，下面開始正式介紹貝葉斯優化。

假設我們有一個函式\(f:\cal{X}→\Bbb{R}\),我們需要在\(X\subseteq\cal{X}\)內找到

\(x^*=\underset{x\in X}{\operatorname{argmax}}f(x) \tag{1}\)

當\(f\)是凸函式且定義域\(X\)也是凸的時候，我們可以通過已被廣泛研究的凸優化來處理，但是\(f\)並不一定是凸的，而且在機器學習中\(f\)通常是expensive black-box function，即計算一次需要花費大量資源。那麼貝葉斯優化是如何處理這一問題的呢？

1. 詳細演算法

Sequential model-based optimization (SMBO)

下面詳細介紹一下上圖中的演算法：

1. Input:

• \(f\): 就是那個所謂的黑盒子
• \(\cal{X}\):是輸入資料，例如影象、語音等。
• \(S\):是Acquisition Function(採集函式)，這個函式的作用是用來選擇公式(1)中的\(x\)，後面會詳細介紹這個函式。
• \(\cal{M}\):是基於輸入資料假設的模型，即已知的輸入資料\(x\)都是在這個模型上的，可以用來假設的模型有很多種，例如隨機森林，Tree Parzen Estimators(想要了解這兩種的可以閱讀參考文獻[1])等，但是本文主要介紹高斯模型。

2. InitSamples(f,x)→D

這一步驟就是初始化獲取資料集\(\cal{D}={(X_1,Y_1),...,(X_n,Y_n)}\)，其中\(Y_i=f(X_i)\),這些都是已知的。

3. 迴圈選引數\(T\)次

因為每次選出引數\(x\)後都需要計算\(f(x)\),而正如前面介紹的沒計算一次函式\(f\)，都會消耗大量資源，所以一般需要固定選參次數(或者是函式評估次數)。

• \(p(y|x,D)←FITMODEL(M,D)\)

首先我們預先假設了模型\(\cal{M}\)服從高斯分佈，且已知了資料集\(\cal{D}\)，所以可以通過計算得出具體的模型具體函式表示。假設下圖中的綠色實現就是基於資料集\(\cal{D}\)經過計算後的服從高斯分佈模型。可以看到Each additional band of green is another half standard deviation on the output distribution.

那麼高斯分佈是如何計算的呢？

因為我們已經假設\(f~GP(μ,K)\)。 (GP:高斯過程，μ:均值 K:協方差kernel,)。所以預測也是服從正態分佈的，即有\(p(y|x,D)=\cal{N}(y|\hat{μ},\hat{σ}^2)\)

• \(x_i←\underset{x\in X}{\operatorname{argmax}}S(X,p(y|X,D))\)

現在已經將假設的模型計算出來了，那麼下一步我們需要基於假設模型的基礎上選擇滿足公式(1)的引數了，也就是選擇\(X\)，那麼如何選擇呢？這就涉及到了Acquisition Function，為了讓文章篇幅更易閱讀，想了解Acquisition Function移步到文末。

• \(y_i←f(x_i)\)

既然引數選出來了，那麼當然就是要計算咯。例如我們通過上述步驟已經選出了一組超引數\(x_i\)，那麼我們下一步就是將超引數帶入網路中去進行訓練，最後得到輸出\(y_i\)。這一步驟雖然expensive，但是沒辦法還是得走啊。

• \(D←D \bigcup{(x_i,y_i)}\)

更新資料集。

2. Acquisition Function

Acquisition Function的選擇可以有很多種，下面將分別介紹不同的AC function。

1） Probability of improvement

假設\(f'=min \, f\),這個\(f'\)表示目前已知的\(f\)的最小值。

然後定義utility function如下： \[ u(x) = \begin{cases} o, & \text{if $f(x)>f'$} \\ 1, & \text{if $f(x)≤f'$ } \end{cases} \]

其實也可以把上面的\(u(x)\)理解成一個reward函式，如果f(x)不大於f'就有獎勵，反之沒有。

probability of improvement acquisition function定義為the expected utility as a function of x:

\[ \begin{align} a_{PI}(x)=E[u(x)|x,D] & = \int_{-∞}^{f'}\cal{N}(f;μ(x),K(x,x))df \notag{} \\ & = \cal{\Phi}(f';μ(x),K(x,x)) \notag{} \end{align} \]

之後只需要求出\(a(x)\)的最大值即可求出基於高斯分佈的滿足要求的\(x\)。

2) Excepted improvement

上面的AC function有個缺點就是找到的\(x\)可能是區域性最優點，所以有了Excepted improvement。\(f'\)的定義和上面一樣，即\(f'=min \, f\)。utility function定義如下:

\[u(x)=max(0,f'-f(x))\]

因為我們最初的目的是找到使得f(x)最小的x，所以這個utility function的含義很好理解，即接下來找到的\(f(x)\)比已知最小的\(f'\)越小越好，然後選出小的程度最大的那個\(f(x)\)和\(f'\)之間的差距的絕對值作為獎勵，如果沒有更小的那麼獎勵則為0.

AC function定義如下：

\[ \begin{align} a_{EI}(x)=E[u(x)|x,D] & = \int_{-∞}^{f'}(f'-f)\cal{N}(f;μ(x),K(x,x))df \notag{} \\ & = (f'-μ(x))\cal{\Phi}(f';μ(x),K(x,x)) \, + \, K(x,x)\cal{N}(f';μ(x),K(x,x)) \notag{} \end{align} \]

通過計算使得\(a_{EI}\)值最大的點即為最優點。

上式中有兩個組成部分。要使得上式值最大則需要同時優化左右兩個部分：

• 左邊需要儘可能的減少\(μ(x)\)
• 右邊需要儘可能的增大方差(或協方差)\(K(x,x)\)

但是二者並不同能是滿足，所以這是一個exploitation-exploration tradeoff。

3) Entropy search

4） Upper confidence bound

Reference